給自動駕駛做“陪練”，仿真測試能給行業提速500年？

觀察者網訊（文/胡毓靖 編輯/莊怡）一輛自動駕駛汽車，要經過多少測試，才能真正上路？

根據美國蘭德公司的研究，自動駕駛汽車需要在真實或者虛擬環境中至少進行110億英里（177億公里）的里程測試，才能證明自動駕駛系統比人類駕駛員更可靠。

照這個里程，假設由100輛車組成的車隊，每年365天每天24小時不間歇以40km/h的平均速度進行測試，大概需要500年。

不光成本難以估算，可能你我都等不到這一天了。

更現實的方法是，把自動駕駛的測試放到虛擬環境下進行。比如自動駕駛汽車研發公司waymo將測試置於虛擬城市和虛擬仿真系統carcraft中，據The verge報道，截至2021年，waymo已經在虛擬環境中完成了150億英里的自動駕駛測試，而實際道路測試的里程距離只有2000萬英里。

在國內，百度、騰訊、華為、阿里等科技企業均已加入仿真測試的探索，其目的也是為了進入市場龐大的汽車行業，建立更大的數據平台，形成新的業務增長點。

給汽車戴上VR眼鏡

襄陽達安汽車檢測中心的《數字孿生自動駕駛測試評價體系》最近成功入選了“2021中國5G+工業互聯網典型應用案例”，後者展示我國新一輪技術革命和產業變革下，數字化轉型切口下的5G+智慧平台賦能的典型案例。

國家汽車質量監督檢驗中心(襄陽) 工信部數字孿生測試體系建設項目

簡單理解這個數字孿生自動駕駛測試的原理，就像是“給一輛實車戴上了一個AR眼鏡或者VR頭盔”，通過虛擬信號不斷給自動駕駛汽車做“陪練”，讓汽車的安全驗證更靠譜。

“它本質是（汽車）在一個空曠場地內跑，但是通過我們給它注入各種各樣的虛擬信號，它會以為自己在全國各地各種各樣的場景去運行，只不過周圍環境是虛擬的，通過這樣我們可以更適合觀察它對於各種各樣場景的反應，而且這樣很安全。因為不會出現碰撞，對他沒剎住把車或者是那種假人假車給撞壞了這種情況發生”，負責開發這個仿真系統的騰訊自動駕駛仿真技術總監孫馳天向我們通俗地解釋道。

孫馳天介紹，目前騰訊自動駕駛虛擬仿真測試平台TAD Sim2.0可以每天測試1000萬公里，以虛擬場景中的算法迴歸測試為主，另外通過虛擬城市補齊測試中的長尾細節。

至於為什麼要做仿真測試，而不是真實路測，就要談到自動駕駛測試的場景測試和成本效率方面的問題。

簡要理解自動駕駛測試的過程，首先是通過車載傳感器（攝像頭、雷達）感知周圍的道路、其他車輛、行人、障礙物等，傳感器在感知過程中會產生的海量數據，而如此龐大的數據需要車端將數據回傳至雲端，然後通過算法標註，判定車輛的行駛。

虛擬仿真生成的一羣動物過馬路的場景

不同場景下產生的數據是完善自動駕駛算法和系統的重要基礎，但受限於真實路測的成本、效率和安全風險等因素，目前自動駕駛算法測試大約90%用仿真平台完成，9%在測試場完成，只有1%通過實際路測完成。

此外，儘管真實路測能很好體現測試的隨機性、複雜性和典型性，但是現實場景沒有窮盡，複雜且難以預測，而真正對自動駕駛安全驗證有高度價值的是極端場景（corner case），也就是還原真實路況不確定性的交通事故、惡劣天氣等特殊情況，很難在真實路測中應測試需求再現，只能通過仿真完成。

在測試效率上，虛擬仿真的優勢也更為明顯。前面已經提及TAD Sim2.0可以每天進行1000萬公里的測試，而且自動駕駛的車輛可大量部署，進行7×24不間斷測試。

另外被視為虛擬仿真測試落地最快的美國自動駕駛領軍企業Waymo旗下的仿真平台Carcraft，每天可在虛擬道路上行駛約2000萬英里，相當於在真實世界中行駛10年，而截至2021年，waymo已經在虛擬環境中完成了150億英里的自動駕駛測試，而實際道路測試的里程距離只有2000萬英里。

值得注意的是，由於自動駕駛有級別之分，目前行業仍在L2（部分自動駕駛）到L3（特定條件下的自動駕駛）階段，而自動駕駛測試也依級別不同而要求不同。

孫馳天透露，騰訊虛擬仿真測試不同自動駕駛級別的車型的測試里程差別很大，越往高級別測試里程越大。“説實話我們並沒有統計過我們有多少（累計里程），但自動駕駛級別每上升一級，測試里程都要高几十倍到上百倍”。

除了場景上的仿真測試，虛擬城市是孫馳天團隊提升測試效率的另一項嘗試。孫馳天表示，虛擬城市的測試基於高精度地圖運行，通過雲計算的擴展來運行更大的城市。

“對於我們來説，目前技術上還不存在問題，就是（算力）資源消耗問題”，“你可以理解為我們做了一個高逼真的虛擬城市遊戲，裏面有非常多的actor（角色），人和車都有自己的運行邏輯”，孫馳天説道。

互聯網看上仿真測試

自動駕駛是確定會來的未來，也將成為汽車發明以來的顛覆性創新。美國管理諮詢公司科爾尼發佈的報告認為，到2035年，人類社會道路上行駛的車輛將有50%實現自動駕駛，屆時自動駕駛整車及相關設備、應用的收入規模總擊將超過5000億美元，可節約10%的社會總出行成本。

自動駕駛市場趨勢預測，圖源：卡爾尼諮詢

正是這樣的必然進程，讓虛擬仿真測試作為自動駕駛落地的加速器，成為汽車產業價值重構中的一個重要環節，也登上科技互聯網公司、整車企業、自動駕駛解決方案商、仿真軟件企業和高校科研機構爭相佈局的熱點賽道。

我們注意到，科技互聯網企業中，除騰訊外，百度、阿里、華為均研發了虛擬仿真測試平台，並在應用上有不同側重。

騰訊的遊戲基因某種程度上為自動駕駛虛擬仿真測試提供了想象力，而負責平台開發的孫馳天本人簡歷中也有着遊戲的底色。

孫馳天向我們介紹，TAD Sim是2017年他回國之後從零開始搭建的，設計之初就是為自動駕駛的安全驗證專門開發。在此之前，他先後從清華的數理基礎科學實驗班和美國的卡內基梅隆大學畢業，研究的是VA和AR偏向遊戲開發的方向，畢業後他所在的公司被蘋果收購，便去了蘋果總部的自動駕駛團隊（SPG）從事自動駕駛模擬仿真系統的開發，2017年回國加入了騰訊。

具體來講，騰訊做自動駕駛仿真應用了場景還原、大氣系統、傳感器仿真、物理引擎、雲遊戲技術、MMO同步等遊戲技術，幫助實現場景仿真的幾何還原、邏輯還原和物理還原，通俗而言就是讓仿真測試中的環境和測試車輛條件與現實趨同，然後模擬出測試車輛決策規劃的邏輯過程，以及車輛的操控和車身動力學作用結果，讓虛擬世界的自動駕駛測試結果與現實世界無限接近。

騰訊自動駕駛數字孿生的整體框架

百度在自動駕駛賽道耕耘多年，早在2018年通過升級Apollo的仿真平台，推出了增強現實自動駕駛仿真系統（Augmented autonomous driving simulation, AADS），並且把研究論文發表在了Science Robotics上。

百度仿真平台的特點則在“真實性”上，AADS包含一套全新開發的基於數據驅動的交通流仿真框架和一套全新的基於圖像渲染的場景圖片合成框架。

在獲得真實感的車流移動和場景圖像之後，系統利用增強現實技術可直接、全自動地創建逼真的仿真圖像，消除了現有仿真系統中游戲引擎渲染圖片與真實圖片之間的差距。

百度的AADS平台的操作流程

華為的虛擬仿真測試則是作為自動駕駛服務平台Octopus（八爪魚）生態內的一環存在，能與華為MDC（移動數據中心）等車端硬件平台和只能駕駛OS無縫對接，實現車雲協同。

目前，華為八爪魚內置超過 1 萬個仿真場景，覆蓋智能駕駛、主動安全、危險場景等六大場景，並且支持將路測數據場景轉換為仿真場景，每日虛擬測試里程可超過 500 萬公里。

阿里達摩院2020年4月發佈的“混合式仿真測試平台”則以自動駕駛測試中的極端場景為特點，可以任意增加極端路測場景變量，可在30 秒內模擬一次極端場景。

自動駕駛技術使得汽車成為各種互聯網應用服務的智能載體，互聯網企業憑藉開發操作系統、大數據等方面的優勢，可以通過早期介入制定行業相關標準、打造產業生態系統，也基於這一邏輯，即便市面上仍未有完全自動駕駛的汽車，而科技互聯網企業早已虎視眈眈。

當然，科技互聯網企業進入自動駕駛市場是為了尋找一個新的業務增長點，但也把部分大數據和軟件開發的能力賦予給了汽車行業，成為自動駕駛的國際競爭中的加速器。

行業標準待統一，仿真平台要離汽車更近

我國是世界上最大的汽車生產和消費國，近年來，我國積極開展智能網聯汽車測試示範區的建設工作，力爭在國際中打造智能網聯汽車產業高地。

隨着自動駕駛發展進入落地應用的下半場，虛擬仿真作為自動駕駛汽車測試驗證能力的重要方式，其依託的數字孿生技術也已經被中國科協列為十個創新技術突破點之一，受到廣泛關注。

但拋卻複雜的平台技術，虛擬仿真平台還面臨着更現實的標準難統一和商業化問題。

就商業化而言，仿真平台的主要服務對象是車企和政府的自動駕駛測試方，而車企的自動駕駛研發中，仿真測試本就是題中應有之義，科技互聯網企業優勢在於數據、軟件、雲計算方面，並非原生於汽車行業，較高的行業壁壘也為其商業化帶來了難度。

據孫馳天介紹，騰訊TAD Sim早在2018年就開始了商業化，客户包括頭部車企，以及襄陽、長沙等地的國家自動駕駛測試場。他表示，騰訊仿真平台的定位是做汽車行業的加速器和數字化助手，幫助行業的車廠、自動駕駛公司更好地建立智能網聯汽車造車和自動駕駛功能開發，不做造車的打算。

TAD Sim2.0模擬路面積雪場景

另一個限制仿真平台驗證效率的是行業標準的不統一。一方面，仿真場景庫的建設還需要大量人工進行採集、標註，然後進行場景分析挖掘、測試驗證，成本仍然高企，而現有的場景庫的規模有限，還不足以覆蓋常見交通場景，多樣性、覆蓋性和可擴展性不強。

孫馳天表示，訓練仿真的模型往往只適用於有限環境，比如發生下雨這類環境改變時，就無法很好地模擬汽車地行為。另外，做數據採集，永遠也不可能把所有數據都採集完，訓練出的模型在理論上也肯定無法覆蓋所有的場景，所以無論自己的研發，還是商業化，都需要不斷做驗證。

另一方面，由於場景庫建設任務龐大，單一企業很難完成覆蓋，而各個企業各自為戰，資源重複投入，這就導致了場景庫建設進度緩慢，並且缺乏統一的行業評價標準。

孫馳天稱，目前在行業內，多少里程的仿真測試和真實路測之間的換算標準都尚未確立。也就是説仿真測試在場景的真實度、場景覆蓋度和仿真效率上均存在疑問。

從更大的視角來看，世界各國各地區的道路環境和交通習慣各不相同，在汽車服務平台的安全性和標準要求上相差也很大，也制約了自動駕駛的研發測試，難以在短期內形成全球認可的自動駕駛產業鏈體系。

科技互聯網企業做虛擬仿真，或許仍然需要離汽車產業再近一步，行業也需要齊心推進標準統一，做自動駕駛落地的加速器，平地起高樓的仿真平台仍然道阻且長。

【參考資料】

1.許健、周弘，科爾尼諮詢，自動駕駛如何重構汽車產業價值鏈。

2.中國電動汽車百人會、騰訊自動駕駛、中汽中心數據，2020中國自動駕駛仿真藍皮書。

（來源：觀察者網·科工力量）

本文系觀察者網獨家稿件，未經授權，不得轉載。